OpenVINO IR与 ONNX模型加载速度的对比与实现_openvino调用不同格式耗时

link管理

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

模型加载速度区别

模型加载速度的快慢通常取决于多个因素，包括模型格式、模型的大小和复杂性、使用的框架以及底层硬件。关于 OpenVINO IR (.xml/.bin) 和 ONNX 格式在模型加载上的对比，以下是一些主要考虑因素：

优化和兼容性：
- OpenVINO IR： OpenVINO Toolkit 专为 Intel 架构优化，可以提供针对 Intel CPU、GPU、VPU 等的特定优化。IR 格式是为了与 OpenVINO 兼容和优化而设计的，可以更好地利用 Intel 硬件的特性。
- ONNX： ONNX 是一个开放格式，用于在不同的深度学习框架之间移植模型。虽然它在不同框架之间提供了良好的兼容性，但它可能不会针对特定硬件进行优化。
加载时间：
- 加载模型的时间不仅取决于模型的格式，还受到底层解析和编译过程的影响。OpenVINO 在将模型转换为 IR 格式时进行了优化，这可能在加载时提供速度上的优势。
- 使用 ONNX 格式时，模型加载速度可能受限于框架对 ONNX 的支持和解析效率。
运行时推理性能：
- OpenVINO IR 格式的模型在推理时可能表现更佳，尤其是在 Intel 硬件上，因为 OpenVINO 会针对这些硬件进行特定的优化。
- ONNX 模型在不同框架下的推理性能可能因框架的实现和优化水平而异。
硬件依赖性：
- 如果您使用的是 Intel 的硬件，特别是 CPU 或 Movidius VPU，使用 OpenVINO IR 格式可能会提供更好的性能。
- 对于非 Intel 硬件，ONNX 可能是一个更通用的选择，尽管可能需要额外的优化以实现最佳性能。

总之，如果您在 Intel 硬件上进行模型部署，使用 OpenVINO IR 格式可能会在模型加载和运行时推理上提供性能上的优势。这是因为 OpenVINO 对 Intel 硬件有针对性的优化。而在非特定于 Intel 的硬件或需要跨框架兼容性的情况下，ONNX 可能是一个更灵活的选择。

import torch
import torch.onnx
import os.path as osp
import numpy as np
import onnx
import onnxruntime as ort
import torchvision
checkpoint_path = "model.pth"
model = Yourmodel(10, 2, 12)
model_dict = model.load_state_dict(torch.load(checkpoint_path))  # 获取自定义模型的参数字典
model.eval()
dummy_input = torch.randn(1,3,256,256)
onnx_path = 'model.onnx'
torch.onnx.export(model,
                  (dummy_input, class_code),
                  onnx_path,
                  verbose = True,
                  opset_version=10,
                  input_names='input',
                  output_names="output"   
print(f"ONNX模型已保存")
onnx部署（C++版）
 
void loadModel(const std::string& onnxModelPath) {
    // 仅在模型未加载时加载模型
    if (!model) {
        model = core.read_model(onnxModelPath);
        compiled_model = core.compile_model(model, "CPU");
        std::cout << "ONNX 模型已加载" << std::endl;
    else {
        std::cout << "ONNX 模型已经加载，无需再次加载" << std::endl;
int main() {
    auto start_time = std::chrono::high_resolution_clock::now();
    string onnxModelPath = "model.onnx";
    // 打印推理时间
    loadModel(onnxModelPath);
    auto end_time = std::chrono::high_resolution_clock::now();
    auto duration = std::chrono::duration_cast<std::chrono::milliseconds>(end_time - start_time);
    std::cout << "模型加载时间: " << duration.count() << " 毫秒" << std::endl;
    return 0;
在实现过程中，我发现很多都是基于openvino2021版中安装的路径下：openvino2021.x/deployment_tools/model_optimizer中的mo_onnx.py 进行转化，但是openvino2022之后就没有这个文件夹，我也并没有找到，所以我尝试了另一种方法 
onnx转xml/bin
 
通过wsl在win下安装ubuntu，在ubuntu虚拟环境中通过openvino进行转化，具体方法请见
  
xml C++部署
 
直接将onnx文件换成xml即可，运行时会自动找到对应相同路径下的bin文件
				做深度学习神经网络的设计、训练与部署，往往会困扰于不同的操作系统，不同的深度学习框架，不同的部署硬件，以及不同的版本。由于相互之间的不兼容，给开发使用者造成了很大的不便。
联合使用OpenVINO和ONNX，便可以解决从不同框架模型到不同硬件之间快速部署的问题。
最近参加“英特尔®OpenVINO™领航者联盟 DFRobot行业AI开发者大赛”活动，主办方提供了拿铁熊猫LattePanda和Intel神经计算棒NCS2，本文所列数据都是在该平台上运行得到的。
硬件1：拿铁熊猫LattePanda De
				使用python API，对openvino和ONNX Runtime的推理时间进行比较。有学习并借用一些其他up的代码。
#openvino
from openvino.inference_engine import IECore
import numpy as np
import cv2
import time
ie = IECore()
model="shufflenet-v2-10.onnx"
#model="shufflenet-v2-10/shufflenet-v2-10.xml"
				段错误（Segment error）一般解释为内存溢出导致的结果
参考 github 上开源的Openvino cpp 解释推理仓库代码，
在后期 Yolov5 模型训练完之后出现（Segment error）
因为原仓库代码使用的是 YolvoV5 3官方模型推理的结果，结果的输出层和现在最新的 Yolov5输出层有点不用，3layer->4layer，所以在结果推理的时候因为出现随机的map 数值，在出现负数的时候会导致代码中的循环片段无效。
在 detect.cp p代码片段为在这里插入代码
我把YOLOv5最新版本的模型分别用OpenCV DNN（Python、C++）部署、OpenVINO（Python、C++）部署、ONNXRUNTIME-GPU（Python、C++）部署，然后还测试了CPU/GPU不同平台上的运行速度比较。
软件版本与硬件规格
测试用的硬件与软件信息：
GPU 1050Ti
CPU i7八代
OS：Win10 64位
OpenVINO2021.4
ONNXRUNTIME：1.4
OpenCV4.5.4
				openvino安装步骤https://docs.openvinotoolkit.org/latest/openvino_docs_install_guides_installing_openvino_windows.html#Update-Path
错误1 安装程序没找到python和gpu
在安装openvino过程会遇到这样的错误，不用管直接继续安装(电脑已经安装anaconda python 3.6)，之后在cmd执行Configure the Model Optimizer命令的时候会找到pyth
				OpenVINO可以将动态batchsize的ONNX模型转换为其支持的静态batchsize的模型。下面是一种实现方式：
首先，安装OpenVINO工具包，并将模型优化器（Model Optimizer）集成到环境中。该工具用于将ONNX模型转换为OpenVINO可以加载和推理的IR模型。
在转换ONNX模型之前，我们需要了解该模型的动态输入形状。通常，动态batchsize的模型在网络的输入节点上会标记为-1或None。我们可以使用ONNX Runtime库来动态推理模型并获取输入形状。
下一步是使用Model Optimizer将ONNX模型转换为IR模型。为了支持静态batchsize，我们需要在转换过程中指定batch参数。命令行示例如下：
python mo.py --input_model model.onnx --output_dir output --input_shape [B,C,H,W] --mean_values [mean_values] --scale_values [scale_values] --batch B
在命令行中，我们需要提供转换的ONNX模型，输出目录，输入形状，均值和缩放值。重要的是，在输入形状中指定batch维度并将其设置为所需的静态batchsize。
完成转换后，我们可以使用OpenVINO进行推理，输入静态batchsize的数据进行推理。
需要注意的是，在转换和推理过程中，我们需要确保模型和数据的形状匹配，以避免错误发生。如果需要批量推理，可以使用循环迭代每个批量进行推理。
这就是使用OpenVINO将动态batchsize的ONNX模型转换为静态batchsize模型的简要步骤。通过这种方式，我们可以使用OpenVINO对不同大小的批量进行高效推理。

模型加载速度区别

整体部署代码实现

onnx版

pth转化为onnx（python版）

onnx部署（C++版）

onnx转xml/bin

xml C++部署